Mémoire longue et ARCH: Séries chronologiques Math 342

Dans cours

Description

Cette séance de cours couvre le concept de longue mémoire dans les séries temporelles, où les corrélations varient lentement à mesure que le temps augmente. Il explore les modèles de covariance avec la désintégration polynomiale, le comportement spectral et la classe FARIMA. De plus, il s'inscrit dans les processus autorégressifs de l'hétéroskédasticité conditionnelle (ARCH), inspirés par les séries chronologiques financières, se concentrant sur les retours log-, la moyenne conditionnelle et l'estimation de la variance.

Connectez-vous pour regarder la vidéo

Enseignant

Source officielle

https://mediaspace.epfl.ch/media/0_cc2c3i3h

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Séances de cours associées (45)

Concepts associés (43)

Modèles ARCH

En économétrie, les modèles ARCH (AutoRegressive Conditional Heteroskedasticity) sont utilisés pour caractériser et modéliser des séries chronologiques. Ces modèles sont souvent appelés les modèles ARCH (Robert F. Engle, 1982), bien qu'une variété d'autres acronymes sont appliqués à des structures particulières du modèle qui ont une base similaire. Les modèles ARCH sont employés couramment dans la modélisation de séries temporelles financières, qui comportent des volatilités variables c'est-à-dire des périodes agitées suivies par des périodes de calme relatif.

Arc (architecture)

vignette|Arche d'un pont (Ota, Corse). vignette|Quelques termes d'architecture. vignette|Arc plein cintre dans la cathédrale de Spire en Allemagne. vignette|Arcs brisés dans les ruines de l'abbaye de Bolton () dans le comté de Yorkshire du Nord (Angleterre).|alt= vignette|Arc de triomphe (Paris).|alt= vignette|Arcs sous la couverture de la Casa Milà (ou la Pedrera) à Barcelone (Espagne). Création d'Antoni Gaudí. vignette|Égypte antique, entrepôts du Ramesséum, bâtis avec des arcs en adobe.

Processus autorégressif

Un processus autorégressif est un modèle de régression pour séries temporelles dans lequel la série est expliquée par ses valeurs passées plutôt que par d'autres variables. Un processus autorégressif d'ordre p, noté AR(p) est donné par : où sont les paramètres du modèle, est une constante et un bruit blanc. En utilisant l'opérateur des retards, on peut l'écrire : Un processus autorégressif d'ordre 1 s'écrit : On peut formuler le processus AR(1) de manière récursive par rapport aux conditions précédentes : En remontant aux valeurs initiales, on aboutit à : Il est à noter que les sommes vont ici jusqu'à l'infini.

Variance (mathématiques)

vignette|Exemple d'échantillons pour deux populations ayant la même moyenne mais des variances différentes. La population en rouge a une moyenne de 100 et une variance de 100 (écart-type = SD = standard deviation = 10). La population en bleu a une moyenne de 100 et une variance de (écart-type = SD = 50). En statistique et en théorie des probabilités, la variance est une mesure de la dispersion des valeurs d'un échantillon ou d'une variable aléatoire.

Série temporelle

thumb|Exemple de visualisation de données montrant une tendances à moyen et long terme au réchauffement, à partir des séries temporelles de températures par pays (ici regroupés par continents, du nord au sud) pour les années 1901 à 2018. Une série temporelle, ou série chronologique, est une suite de valeurs numériques représentant l'évolution d'une quantité spécifique au cours du temps. De telles suites de variables aléatoires peuvent être exprimées mathématiquement afin d'en analyser le comportement, généralement pour comprendre son évolution passée et pour en prévoir le comportement futur.